Python爬虫之BeautifulSoup的基本使用教程

Beautiful Soup的简介

Beautiful Soup 是一个可以从HTML 或 XML 文件中提取数据的 Python 库，最主要的功能是从网页抓取数据

官方解释如下：

Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。

Beautiful Soup自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。你不需要考虑编码方式，除非文档没有指定一个编码方式，这时，Beautiful Soup就不能自动识别编码方式了。然后，你仅仅需要说明一下原始编码方式就可以了。

Beautiful Soup已成为和lxml、html6lib一样出色的python解释器，为用户灵活地提供不同的解析策略或强劲的速度。

Beautiful Soup 安装

命令行安装

可以利用 pip 或者 easy_install 来安装，以下两种方法均可

easy_install beautifulsoup4

# 或者

pip3 install beautifulsoup4

安装包安装

下载完成之后解压： Beautiful Soup 4.3.2

运行下面的命令即可完成安装

sudo python setup.py install

安装解析器

Beautiful Soup 支持 Python 标准库中的 HTML 解析器,还支持一些第三方的解析器,其中一个是 lxml

$ easy_install lxml

或

$ pip install lxml

基本使用

这里是官方文档链接，不过内容是有些多，也不够条理，在此选部分常用功能示例

官方文档

BeautifulSoup 对象

将一段文档传入 BeautifulSoup 的构造方法,就能得到一个文档的对象, 可以传入一段字符串或一个文件句柄

from bs4 import BeautifulSoup

# 打来一个 html 文件

soup = BeautifulSoup(open('index.html'))

# 打来 html 格式字符串

soup = BeautifulSoup('

data')

对象的种类

Beautiful Soup将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归纳为4种:

Tag NavigableString BeautifulSoup Comment

Tag

Tag 是什么?通俗点讲就是HTML 中的一个个标签

Tag 对象与 XML 或 HTML 原生文档中的 tag 相同

>>> soup = BeautifulSoup('Extremely', "lxml")

>>> tag = soup.b

>>> tag

Extremely

>>> type(tag)

tag中最重要的属性:

Name: 每个 tag 都有自己的名字,通过 .name 来获取 Attributes: tag 的属性, 属性的操作方法与字典相同

name 属性和获取和修改

# 获取 tag 的 name

>>> tag.name

'b'

# 修改 tag 的 name

# 如果改变了tag的name,那将影响所有通过当前Beautiful Soup对象生成的HTML文档

>>> tag.name = "blcokquote"

>>> tag

Extremely

Attributes 属性的操作

一个 tag 可能有很多个属性. tag 有一个 “class” 的属性,值为 “boldest”

tag 的属性的操作方法与字典相同

tag 的属性可以被添加,删除或修改, 操作方法与字典一样

# 获取 tag 的 class 属性值，返回一个列表

>>> tag['class']

['boldest']

>>> tag['class'][0]

'boldest'

>>> tag.attrs

{'class': ['boldest']}

# 修改 tag 的 class 和 id 属性

>>> tag['class'] = 'mazy'

>>> tag['id'] = 1

>>> tag

Extremely

# 删除 tag 的 class 属性

>>> del tag['class']

>>> tag

Extremely

# 删除 tag 的 id 属性

>>> del tag['id']

>>> tag

Extremely

多值属性

HTML 定义了一系列可以包含多个值的属性,最常见的多值的属性是 class (一个tag可以有多个CSS的class).在Beautiful Soup中多值属性的返回类型是 List

>>> css_soup = BeautifulSoup('

','lxml') >>> css_soup.p['class'] ['body', 'strikeout']

在任何版本的 HTML 定义中都没有被定义为多值属性,那么 Beautiful Soup 会将这个属性作为字符串返回

>>> id_soup = BeautifulSoup('

', 'lxml') >>> id_soup.p['id'] 'my id'

NavigableString

字符串常被包含在 tag 内. Beautiful Soup 用 NavigableString 类来包装 tag 中的字符串

tag 中包含的字符串不能编辑,但是可以被替换成其它的字符串,用 replace_with() 方法

>>> tag

Extremely

>>> tag.string

'Extremely'

>>> type(tag.string)

>>> tag.string.replace_with('No longer bold')

>>> tag

No longer bold

遍历文档树

操作示例代码：

html_doc = """

The Dormouse's story

Once upon a time there were three little sisters; and their names were Elsie, Lacie and Tillie; and they lived at the bottom of a well.

...

"""

创建 BeautifulSoup 文档对象

>>> soup = BeautifulSoup(html_doc, 'html.parser')

# soup 对象

>>> soup

The Dormouse's story

Once upon a time there were three little sisters; and their names were Elsie, Lacie and Tillie; and they lived at the bottom of a well.

...

子节点

一个Tag可能包含多个字符串或其它的 Tag,这些都是这个 Tag 的子节点

Tag 的名字

# 获取 head 标签

>>> soup.head

# 获取 title 标签 >>> soup.title # 这是个获取tag的小窍门,可以在文档树的tag中多次调用这个方法.下面的代码可以获取标签中的第一个标签 >>> soup.body.b The Dormouse's story # 获取第一个 a 标签 >>> soup.a Elsie # 如果想要得到所有的标签,或是通过名字得到比一个tag更多的内容的时候,就需要用到: find_all() >>> soup.find_all('a') [Elsie, Lacie, Tillie]

Tag 的 .contents 和 .children 属性

Tag 的 .contents 属性可以将 Tag 的子节点以列表的方式输出

字符串没有 .contents 属性,因为字符串没有子节点

# 获取 head 标签内部的内容

>>> soup.head.contents

[

] # 获取 head 标签内部的内容的第一个元素 >>> soup.head.contents[0] # 获取 head 标签内部的内容的第一个元素的内容 >>> soup.head.contents[0].contents ["The Dormouse's story"]

通过 Tag 的 .children 生成器,可以对 Tag 的子节点进行循环

for child in soup.body.p.children:

print(child)

# The Dormouse's story

搜索文档树

Beautiful Soup 定义了很多搜索方法,这里着重介绍2个:

find() find_all()

使用 find_all() 类似的方法可以查找到想要查找的文档内容

字符串搜索

最简单的过滤器是字符串.在搜索方法中传入一个字符串参数,Beautiful Soup会查找与字符串完整匹配的内容

下面的例子用于查找文档中所有的标签

>>> soup.find_all('b')

[The Dormouse's story]

正则表达式搜索

import re

# 下面例子中找出所有以b开头的标签

for tag in soup.find_all(re.compile("^b")):

print(tag.name)

#body

#b

参数列表搜索

如果传入列表参数,Beautiful Soup 会将与列表中任一元素匹配的内容返回

下面代码找到文档中所有 标签和 标签:

>>> soup.find_all(['a','b'])

[The Dormouse's story, Elsie, Lacie, Tillie]

方法 / 函数搜索

如果没有合适过滤器,那么还可以定义一个方法,方法只接受一个元素参数 ,如果这个方法返回 True 表示当前元素匹配并且被找到,如果不是则反回 False

下面方法校验了当前元素,如果包含 class 同时属性包含 id 属性,那么将返回 True

def has_class_and_id(tag):

return tag.has_attr('class') and tag.has_attr('id')

# 将这个方法作为参数传入 find_all() 方法,将得到所有标签:

result = soup.find_all(has_class_and_id)

print(result)

# [Elsie, Lacie, Tillie]

find() 的使用

find( name , attrs , recursive , string , **kwargs )

使用 find_all() 方法并设置 limit=1 参数不如直接使用 find() 方法.

下面两行代码是等价的:

>>> soup.find_all('title', limit=1)

[

] # 等价于 >>> soup.find('title')

find_all() 和 find() 的区别：

唯一的区别是 find_all() 方法的返回结果是值包含一个元素的列表,而 find() 方法直接返回结果 find_all() 方法没有找到目标是返回空列表, find() 方法找不到目标时,返回 None

CSS选择器

Beautiful Soup 支持大部分的 CSS 选择器, 在 Tag 或 BeautifulSoup 对象的 .select() 方法中传入字符串参数, 即可使用CSS选择器的语法找到 Tag

>>> soup.select('title')

[

]

通过 tag 标签逐层查找

>>> soup.select('body a')

[Elsie, Lacie, Tillie]

>>> soup.select('html head title')

[

]

找到某个 tag 标签下的直接子标签

>>> soup.select('head > title')

[

] >>> soup.select('p > a') [Elsie, Lacie, Tillie] >>> soup.select('p > #link1') [Elsie] >>> soup.select('body > a') []

通过 CSS 的类名查找

>>> soup.select('.sister')

[Elsie, Lacie, Tillie]

通过 tag 的 id 查找

>>> soup.select('#link1')

[Elsie]

>>> soup.select('a#link1')

[Elsie]

同时用多种 CSS 选择器查询元素

>>> soup.select('#link1, #link2')

[Elsie, Lacie]

返回查找到的元素的第一个

>>> soup.select_one('.sister')

Elsie